1. 泊车辅助感知系统总览

泊车辅助是 Bosch 在 ADAS 领域最早量产、迭代最成熟的产品线之一。理解这条产品线，关键不是记住型号名称，而是看清一条主线：车辆在低速、近距、多遮挡的泊车场景中，如何用有限的传感器组合，把“周围有什么、离我多远、能不能过”变成可执行的转向、挡位与制动指令。感知系统正是这条链路的起点，也是决定功能上限的瓶颈。

一、Bosch 泊车辅助产品线的分层

Bosch 的泊车产品可以按“感知能力—功能形态—执行深度”三个维度来梳理。感知能力上，从最早的超声波雷达（USS，Ultrasonic Sensor）测距，到超声波+环视摄像头（AVM，Around View Monitor），再到超声波+摄像头+毫米波雷达融合；功能形态上，从蜂鸣提示的 PD（Park Distance Control），到半自动的 PLA（Parking Steering Assist，仅控制转向），再到全自动的 APA（Automated Parking Assist，转向+挡位+制动）与遥控泊车 RPA；执行深度上，从只报警，到接管横向，再到接管纵向与挡位。

这条产品线的核心传感器是超声波雷达。典型布置为前保险杠 4～6 颗、后保险杠 4～6 颗、侧面 4 颗，共 12 颗左右，工作频率约 40～58 kHz，探测距离 0.2～5 m，近距离精度可达厘米级。超声波的优势是成本低、近距可靠、不受光照影响；劣势是探测角宽、易受温度与风速影响、对低矮或吸声物体（如雪堆、软质路障）反射弱。环视摄像头提供 190° 左右的鱼眼视野，负责语义识别（车位线、地锁、行人）与视觉测距；毫米波雷达在部分高阶配置中补充中远距与运动目标跟踪。三者不是简单叠加，而是按“谁在什么距离、什么置信度下主导”分工。

二、感知系统在自动泊车中的角色

自动泊车的完整链路是：感知 → 车位识别与定位 → 路径规划 → 轨迹跟踪控制 → 执行器。感知系统承担前两级中的原始输入：一是障碍物检测，输出每个超声回波对应的距离、方位与置信度；二是自由空间（Free Space）构建，把离散测距点连成可通行区域边界；三是车位识别，从超声波扫过的侧向轮廓或摄像头识别的车位线中提取车位几何（长度、宽度、朝向、深度）。

这里有一个容易被忽视的工程要点：感知输出的不是“点”，而是带不确定性的“栅格或轮廓”。超声波单次测距的波束角约 30°～60°，一个回波只能确定“障碍在某段圆弧上”，必须靠车辆运动带来的多帧观测做三角定位，才能收敛出真实位置。因此感知模块内部通常维护一个占据栅格图（Occupancy Grid），每格记录被占据概率，随车辆移动不断更新。车位识别则在此基础上做几何拟合：把侧向连续空闲栅格拟合成矩形，判断其长度是否大于本车长度加安全余量（通常 0.6～1.0 m），宽度是否满足开门空间。

三、从功能需求到量产落地的全流程框架

一个泊车感知功能从需求到量产，通常经历以下阶段，每个阶段都有明确的输入、输出与判断依据：

1. 功能需求定义：明确车位类型（平行/垂直/斜列）、最小车位尺寸、目标车速（通常 ≤ 10 km/h）、接管边界与驾驶员责任。输出为功能需求文档与场景清单。
2. 传感器选型与布置：根据探测距离、盲区、成本确定 USS 数量与安装位置，确定摄像头 FOV 与安装高度。输出为布置图与探测覆盖仿真。
3. 感知算法开发：包括回波预处理、三角定位、栅格更新、车位拟合、目标跟踪。输出为算法模型与接口定义。
4. 标定与数据采集：完成传感器外参标定（安装角度、位置），采集真实车位与障碍物数据。输出为标定参数与数据集。
5. 仿真与 HIL 测试：在场景库中回放，覆盖边界与失效场景。输出为测试报告与问题清单。
6. 实车标定与验证：在试验场与真实停车场验证识别率、误报率、泊入成功率。输出为验证报告。
7. 量产释放：冻结软件版本、完成诊断与降级策略、通过功能安全与法规审核。输出为可量产软件包。

这条流程中，感知系统的量产难点集中在三处：一是标定一致性，每台车的保险杠安装公差会导致探测角偏移，必须通过下线标定补偿；二是环境鲁棒性，雨雪、泥污、温度变化会改变超声波传播特性，需要动态阈值与置信度管理；三是失效降级，当某颗传感器被遮挡或失效时，系统必须能识别并降级到可用功能，而不是直接误动作。

四、本节知识框架图

下图把上述产品线、感知角色与量产流程整合为一张关系图，便于建立整体认知：左侧是传感器与感知输出，中间是功能形态与执行深度，右侧是量产落地的主流程与关键判断点。

把这张图记在脑子里，后续每一节都可以挂到它的某个节点上：讲传感器布置时回到左侧，讲车位识别时回到感知输出，讲标定与验证时回到右侧流程。泊车感知的量产开发，本质上就是在这张图上不断把“不确定”压缩成“可判断、可降级、可复现”的工程结果。